文献类型： 中文期刊

作者： 李伟 ¹ ; 谭峰 ² ; 张伟 ¹ ; 高陆思 ³ ; 李金山 ⁴ ;

作者机构： 1.黑龙江八一农垦大学工程学院

2.黑龙江八一农垦大学信息与电气工程学院

3.黑龙江省农业科学院绥化分院

4.黑龙江省大庆市绿色农产品监测中心

关键词： 拉曼光谱;大豆;特征波长选择;随机蛙跳;最小绝对收敛与选择算子

期刊名称： 光谱学与光谱分析

ISSN： 1000-0593

年卷期： 2023 年 012 期

页码： 3763-3769

收录情况： EI ; SCI ; 北大核心 ; CSCD

摘要： 大豆品种快速准确的鉴别，对于鉴定种子品质、净化种业市场以及保障粮食安全具有重要意义。为解决传统农作物品种鉴别方法中存在精度差和效率低等问题，采用拉曼光谱结合特征波长提取方法建立偏最小二乘（PLS）鉴别模型，对黑龙江省4个高蛋白大豆品种（黑农88、黑农98、绥农71以及绥农76）进行快速鉴别。随机蛙跳（RF）算法是一种通过迭代计算变量被选概率，以确定变量重要性的新型特征波长选择算法，可以有效剔除全光谱数据中的冗余信息。该方法存在初始变量集随机性、所需迭代次数大、阈值选取不确定的问题，因此提出一种基于最小绝对收敛与选择算子（LASSO）回归的改进随机蛙跳（MRF）算法。采用LASSO算法提取与属性变量最相关的特征波长点作为RF初始变量集F₀，消除初始变量的随机性，在此基础上开始迭代计算，可以减少无用迭代次数，提高模型的预测精确度。RF算法通过设定阈值的方法选择变量，因此提取的特征波长往往具有不确定性。改进如下：首先去除被选概率为0的变量，对于排序后变量以10个波长点为间隔，每次增加1个间隔建立特征波长与大豆品种属性的偏最小二乘回归模型，当交叉验证均方根误差（RMSECV）取最小值时的建模波长为优选特征波长。以MRF优选特征波长作为输入变量建立PLS鉴别模型，并与全光谱以及常用的RF、LASSO和ElasticNet特征波长选择算法建模结果进行对比分析。结果表明，MRF算法提取300个特征波长点，仅占全谱波长的9.37%，有效筛选了关键特征变量，简化了模型复杂度。预测结果中均方根误差（RMSEP）和决定系数（R_p~2）分别为0.246 9和0.951 2，识别准确率达到100%，为所有模型中最优。拉曼光谱结合MRF算法可以实现大豆品种的快速鉴别，同时也为其他农作物品种的快速鉴别提供了一种新思路。